Ввиду малого объема выборки данных ближней инфракрасной спектроскопии пшеницы и ограниченной спектральной информации традиционные методы не могут полноценно извлечь характеристики данных, а сверточные нейронные сети (CNN) характеризуются низкой вычислительной эффективностью, большим числом параметров и склонностью к переобучению. В работе предложена симметричная сверточная сеть с многофункциональным слиянием признаков (SCN-MF) для эффективного и точного прогнозирования содержания белка в пшенице. Во-первых, разработана симметричная сверточная сеть с симметричной структурой, где количество каналов сначала увеличивается, а затем уменьшается, что снижает вычислительную сложность при гарантии точности прогноза; во-вторых, введен модуль многофункционального слияния через механизм перекрестного внимания, объединяющий исходный спектр и его производные для усиления ключевых признаков и повышения точности модели. Результаты показывают, что модель SCN-MF достигла коэффициента детерминации (R²) 0.9461, коэффициента предсказательной точности (RPD) 4.3057 и среднеквадратичной ошибки (RMSE) 0.4043 на тестовом наборе, существенно превзойдя улучшенную ранее CNN по точности и вычислительной эффективности. Кроме того, по сравнению с другими пятью методами SCN-MF показала наилучшие результаты и стабильность на тренировочной и тестовой выборках. Исследование применимо для моделирования данных ближней инфракрасной спектроскопии в условиях малой выборки и малой модели, предоставляя новой технической поддержкой интеллектуального определения содержания белка в пшенице.

содержание белка в пшенице;ближняя инфракрасная спектроскопия;многофункциональное слияние;сверточные нейронные сети